目录

一、前言

二、YOLOv7代码下载

三、环境配置

四、测试结果

 五、制作自己的数据集

六、训练自己的数据集

一、前言

上一篇已经详细讲解了如何安装深度学习所需要的环境 这一篇则详细讲解如何配置YOLOv7 在本地电脑或者服务器都可 然后利用自己的数据集进行训练、推理、检测等。

二、YOLOv7代码下载

YOLOv7是原YOLOv4团队打造 在精度与速度之间取得较好的平衡 并且是现在较为优秀的目标检测模型

论文地址 https://arxiv.org/abs/2207.02696

论文代码下载地址 mirrors / WongKinYiu / yolov7 · GitCode

 这块直接下载zip安装包打开就可以了。

三、环境配置

如果是windows系统的话 打开Anaconda的终端。如果是远程服务器的话 直接创建一个就可以了。剩下的windows和服务器都是一个操作了。

如下 输入 conda create -n yolov7(代表环境名称)  python 3.8 使用Python的版本 然后创建就可以了

 环境安装完成后 conda  activate yolov7进入刚才创建的环境(这块我设置的为yolov7_1,只是一个名称 无伤大雅)

然后cd切换至刚才下载解压后的yolov7-main文件夹中

接下来安装requirements.txt文件就可以了 后面加这个清华的镜像源会快点。

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple 

 

 这块 我个人的torch与trochvison是直接指定的 你们按照官方来的就可以。(这块库里也写了torch版本不能等于1.12.0 torchvision不能等于0.13.0 所以一定要注意。)

接下来有一个很重要的点一定要强调

1 numpy库如果安装最新的1.24.1 会发生module numpy has no attribute int 错误 这个错误我找了很久, 这个是因为numpy版本的原因 1.24以上的版本没有int了 改为inf了 换成1.23的版本就好了 或者把报错出的int改成inf就可以了,所以requirements.txt中的numpy库建议直接替换成numpy 1.23.0 这个就没有问题了。

等安装输入pip list 可以查看一下安装的对不对

这块其实就能看到 其实torch和torchvision都是cpu版本的 而不是gpu版本的  需要在这个网站上找寻适合自己cuda版本的torch口令然后下载

pytorch下载地址 Previous PyTorch Versions | PyTorch

 

例如我的是11.3的cuda版本复制这条指令

pip install torch 1.11.0 cu113 torchvision 0.12.0 cu113 torchaudio 0.11.0 --extra-index-url https://download.pytorch.org/whl/cu113

 

 等安装完毕后 就可以看到后面多了 cu113 gpu的训练环境就基本配置结束了。

四、测试结果

此时打开detect.py --wgeights中的default需要修改为下载的权重 具体地址在YOLOv7源码下载页面的下面

 

detect后在runs中找检测后的图 如果出现检测框就说明模型基本布置完成 。

这块说一下第二个重要的点

(2)如果你的项目场景如下

操作系统为win10或者win11

GPU RTX1650、1660、1660Ti 会发生在cpu的torch环境中跑出检测框来 但是gpu中无法识别检测框

像上图所示 博主本人电脑是1660Ti的 个人猜测原因这是由于 RTX1660Ti没有达到CUDnn_Half

使用要求 yolov7的话就在主函数中添加

torch.backends.cudnn.enabled False
 五、制作自己的数据集

数据集制作这块要仔细 毕竟需要看模型训练出来的好坏 进行改进。

文件夹设置如下

 Annotations为数据集的xml文件 ImageStes中再创建一个Main文件夹 JPEGImages为数据集的图片 接下来需要将xml文件划分 再转为txt文件 因为yolo使用的是txt格式的

 创建一个split.py文件 将下面代码粘贴进去 这块只写了训练集和验证集 并没有测试集 需要可以再自己更改重写

import os
import random
xmlfilepath r ../VOCData/VOCTrainVal/Annotations/ # xml文件的路径
saveBasePath r ../VOCData/VOCTrainVal/ImageSets/ # 生成的txt文件的保存路径
trainval_percent 0.9 # 训练验证集占整个数据集的比重 划分训练集和测试验证集 
train_percent 0.9 # 训练集占整个训练验证集的比重 划分训练集和验证集 
total_xml os.listdir(xmlfilepath)
num len(total_xml)
list range(num)
tv int(num * trainval_percent)
tr int(tv * train_percent)
trainval random.sample(list, tv)
train random.sample(trainval, tr)
print( train and val size , tv)
print( traub suze , tr)
ftrainval open(os.path.join(saveBasePath, Main/trainval.txt ), w )
ftest open(os.path.join(saveBasePath, Main/test.txt ), w )
ftrain open(os.path.join(saveBasePath, Main/train.txt ), w )
fval open(os.path.join(saveBasePath, Main/val.txt ), w )
for i in list:
 name total_xml[i][:-4] \n 
 if i in trainval:
 ftrainval.write(name)
 if i in train:
 ftrain.write(name)
 else:
 fval.write(name)
 else:
 ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

可以看到输出结果 将数据集划分后 生成四个txt文件

然后再将xml文件转化为txt文件

这块创建一个voc_label.py文件

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
import shutil
sets [( TrainVal , train ), ( TrainVal , val ), ( Test , test )]
classes [ mask_weared_incorrect , with_mask , without_mask ]
def convert(size, box):
 dw 1./size[0]
 dh 1./size[1]
 x (box[0] box[1])/2.0
 y (box[2] box[3])/2.0
 w box[1] - box[0]
 h box[3] - box[2]
 x x*dw
 w w*dw
 y y*dh
 h h*dh
 return (x,y,w,h)
def convert_annotation(year, image_set, image_id):
 in_file open( VOC%s/Annotations/%s.xml %(year, image_id))
 out_file open( VOC%s/labels/%s_%s/%s.txt %(year, year, image_set, image_id), w ,encoding utf-8 )
 tree ET.parse(in_file)
 root tree.getroot()
 size root.find( size )
 w int(size.find( width ).text)
 h int(size.find( height ).text)
 for obj in root.iter( object ):
 difficult obj.find( difficult ).text
 cls obj.find( name ).text
 if cls not in classes or int(difficult) 1:
 continue
 cls_id classes.index(cls)
 xmlbox obj.find( bndbox )
 b (float(xmlbox.find( xmin ).text), float(xmlbox.find( xmax ).text), float(xmlbox.find( ymin ).text), float(xmlbox.find( ymax ).text))
 bb convert((w,h), b)
 out_file.write(str(cls_id) .join([str(a) for a in bb]) \n )
def copy_images(year,image_set, image_id):
 in_file VOC%s/JPEGImages/%s.jpg %(year, image_id)
 out_flie VOC%s/images/%s_%s/%s.jpg %(year, year, image_set, image_id)
 shutil.copy(in_file, out_flie)
wd getcwd()
for year, image_set in sets:
 if not os.path.exists( VOC%s/labels/%s_%s %(year,year, image_set)):
 os.makedirs( VOC%s/labels/%s_%s %(year,year, image_set))
 if not os.path.exists( VOC%s/images/%s_%s %(year,year, image_set)):
 os.makedirs( VOC%s/images/%s_%s %(year,year, image_set))
 image_ids open( VOC%s/ImageSets/Main/%s.txt %(year, image_set)).read().strip().split()
 list_file open( VOC%s/%s_%s.txt %(year, year, image_set), w )
 for image_id in image_ids:
 list_file.write( %s/VOC%s/images/%s_%s/%s.jpg\n %(wd, year, year, image_set, image_id))
 convert_annotation(year, image_set, image_id)
 copy_images(year, image_set, image_id)
 list_file.close()

 转换后会从三个文件夹变为五个文件夹 然后还有训练与验证的txt文件。

 下一步创建自己数据集的yaml文件 这块我的文件命名为myvoc.yaml

# 上面那三个txt文件的位置
train: ./VOCData/VOCTrainVal/TrainVal_train.txt
val: ./VOCData/VOCTrainVal/TrainVal_val.txt
test: ./VOCData/VOCTest/Test_test.txt
# number of classes
nc: 3 # 修改为自己的类别数量
# class names
names: [ 第一个标签 , 第二个标签 , 第三个标签 ] # 自己来的类别名称 0 ,1 , 2 

标签有几类 那么nc类别就改为几个 进行到这 基本工作已经做齐 接下来就是训练。

六、训练自己的数据集

 --weights代表权重 可以使用默认权重 也可以不用预训练权重 也可以使用官方提供的训练权重yolov7_training.pt

--data代表数据集 这块就写入咱们刚才制作的数据集的位置就可以了 可以使用相对路径 也可以使用绝对路径

--batch-size代表大小 这个根据个人电脑情况调整 一般为2 - 16不等 均为偶数

--resume继续训练 如果因为断电或者其他不可抗力因素导致训练终止 将此处的default改为True 便可以接着上一次的训练。

接下来开始训练就可以了 如果是windows系统直接训练 若为服务器的话

 输入下列指令

python train.py --weights yolov7.pt --cfg ./cfg/training/yolov7.yaml
--data VOCData/myvoc.yaml --device 0 --batch-size 2 --epoch 300

然后 就开始训练了 训练结果保存在runs/train/exp下 训练结束后就可以看到一系列数据了。

如果复现或者训练过程中遇到什么问题 可以私信博主 看到会及时回的 写作不易 烦请点个赞 一起学习进步。

2-16日更新

有很多同学私信表示会有这个UnicodeDecodeError: gbk codec can t decode byte 0xae in position 34: illegal multibyte sequence的解码错误。

        解决该问题第一步先检查xml文件是否含有中文路径 如果xml文件有中文路径 就会出现这种问题。

        第二步 如果你是在windows平台训练 检查过后仍然存在这种问题 建议舍弃掉xml数据集 直接使用txt文件进行划分 因为yolo是通过xml转换为 txt文件进行训练 有帮同学用txt文件在windows上调试成功的。如果你只有xml文件 建议在linux环境下进行训练 v7的小问题比较多 个人用xml文件在Ubuntu成功运行 但是windows也会报错 所以windows平台建议txt格式的数据集。

3月31日更新

        鉴于很多同学私信或者评论 对这篇文章再更新一下 由于前段时间比较忙 所以更新一下txt版本的。

        以下情况可以选择txt版本运行

        1、如果你是windows版本 xml文件转换txt文件训练后经常报错 建议直接使用这个版本

        2、如果你的数据集只有图片和txt版本的话 就直接重新制作数据集 直接制作一个txt版本的数据集想 现在开始教程。

        

        首先 在yolov7-main文件夹下面再次创建一个文件夹 起名datasets 其次在datasets下面创建images和labels文件夹 其中images存放图片 labels存放txt格式的数据集

        data.yaml文件就是train.py文件中数据集来源 设置如下

 

 其中将数据集分为train 训练集 、val验证集、test测试集 其中nc为类别个数 对应names中个数。

准备好基础这些文件夹后 此时在yolov7-main文件夹下 与train.py文件同一层创建split_txt.py文件 为划分数据集做准备。

# 将图片和标注数据按比例切分为 训练集和测试集
# 直接划分txt文件jpg文件
#### 强调 路径中不能出现中文 否则报错找不到文件
import shutil
import random
import os
# 原始路径
image_original_path r 图片地址/JPEGImages/ 
label_original_path r 标签地址/labels/ 
cur_path os.getcwd()
# 训练集路径
train_image_path os.path.join(cur_path, datasets/images/train/ )
train_label_path os.path.join(cur_path, datasets/labels/train/ )
print( ---------- )
# 验证集路径
val_image_path os.path.join(cur_path, datasets/images/val/ )
val_label_path os.path.join(cur_path, datasets/labels/val/ )
print( ---------- )
# 测试集路径
test_image_path os.path.join(cur_path, datasets/images/test/ )
test_label_path os.path.join(cur_path, datasets/labels/test/ )
print( ---------- )
# 训练集目录
list_train os.path.join(cur_path, datasets/train.txt )
list_val os.path.join(cur_path, datasets/val.txt )
list_test os.path.join(cur_path, datasets/test.txt )
print( ---------- )
train_percent 0.8
val_percent 0.1
test_percent 0.1
print( ---------- )
def del_file(path):
 for i in os.listdir(path):
 file_data path \\ i
 os.remove(file_data)

# 所以list_all_txt列表只剩下了这些元素 val_test [i for i in list_all_txt if not i in train] # 再从val_test取出num_val个元素 val_test剩下的元素就是test val random.sample(val_test, num_val) print( 训练集数目 {}, 验证集数目 {}, 测试集数目 {} .format(len(train), len(val), len(val_test) - len(val))) for i in list_all_txt: name total_txt[i][:-4] srcImage image_original_path name .jpg srcLabel label_original_path name .txt if i in train: dst_train_Image train_image_path name .jpg dst_train_Label train_label_path name .txt shutil.copyfile(srcImage, dst_train_Image) shutil.copyfile(srcLabel, dst_train_Label) file_train.write(dst_train_Image \n ) elif i in val: dst_val_Image val_image_path name .jpg dst_val_Label val_label_path name .txt shutil.copyfile(srcImage, dst_val_Image) shutil.copyfile(srcLabel, dst_val_Label) file_val.write(dst_val_Image \n ) else: dst_test_Image test_image_path name .jpg dst_test_Label test_label_path name .txt shutil.copyfile(srcImage, dst_test_Image) shutil.copyfile(srcLabel, dst_test_Label) file_test.write(dst_test_Image \n ) file_train.close() file_val.close() file_test.close()

其中有最原始图片地址与标签地址 将原始数据集划分为8 1 1 点击运行后 就会出现训练集数目 测试集数目 验证集数目 结果如图所示

此时原来的datasets文件夹会多出几个txt文件

 这时候 txt版本的数据集制作完成 在train.py文件中 将data那一栏的数据集来源更换就ok了

 更换为datatsets下之前创建的data.yaml文件 之后点击运行就可以训练了。

 如果复现或者训练过程中遇到什么问题 可以私信博主 看到会及时回的 写作不易 烦请点个赞 点个关注一起学习进步。


要跑通YOLOv7保姆级教程,可以按照以下步骤操作:1. 首先,根据引用[1]中提到的文章,安装CPU环境下的OpenVINO,并参考该文章中的教程使用ONNX导出YOLOv7模型并调用接口进行摄像头推理预测。2. 接下来,根据引用中的文章,详细学习如何配置YOLOv7代码。这个教程详细讲解了在本地电脑或者服务器上配置YOLOv7,并且使用自己的数据集进行训练、推理和检测等操作。3. 参考引用中提到的文章,可以了解更多关于YOLOv7的实现和训练自己的数据集的详细教程。这些文章提供了有关YOLOv5和YOLOv7的目标检测和训练自己的数据集的具体步骤和方法。通过按照这些教程的步骤进行操作,你应该能够跑通YOLOv7保姆级教程,并且学习如何配置和训练自己的数据集。 span >
测试记录1:driver.find_element_by_tag_name(‘iframe‘)解决办法 701

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

更多文章请关注《万象专栏》